System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及脑电波,尤其是涉及一种基于eeg的左右手运动想象识别方法。
技术介绍
1、脑机接口(brain-computer interface,bci)作为一种实现人脑与机器直接交互的技术,无需依赖肌肉系统的辅助,能够直接从大脑向机器输出指令。运动想象(motorimagery,mi)作为bci的一种范式,要求被试想象身体某部位的运动,相应脑区会产生事件相关同步(event-related synchronization,ers)、事件相关去同步(event-related de-synchronization,erd)现象。基于这些现象,可以实现对mi脑电信号的解码和分类。由于mi范式无需外部刺激,具有较高的便携性,在实际bci应用中能够有效避免外部刺激对被试产生的疲劳感。
2、过去曾进行过许多研究,使用机器学习分析使用脑电(electroencephalogram,eeg)的bci系统。yongwook等人提出了通过功率谱分析从脑电图中提取振幅特征的方法,随后采用f检验筛选出关键特征。mondini等人提出了一个基于共空间模式(csp)的框架,随后应用支持向量机(svm)对特征进行分类。arvenah等人提出了一种创新的稀疏公共空间模式(scsp)算法,用于从eeg信号中选择通道,其方法成功提高了分类成功率近10%。gaur等人提出了一种基于多元经验模态分解(memd)滤波的特定脑电信号滤波方法。另外,pan等人专注于确定频段,并研究频段对性能的影响。
3、卷积神经网络(cnn)已在多个领域展现出
4、cnn在处理具有复杂时间关系的eeg信号时可能会遇到困难,尤其是在处理冗长序列时。因此z.huang等人使用循环神经网络(rnn)来学习脑电图数据的时间方面,并在某些情况下显示出优势。为了处理长信号,z.huang也扩展了短时记忆网络(lstm)利用“门”来管理信息流状态,以学习长期脑电信号关系。但是由于其效率较低,这些方法不足以处理eeg数据集中大量的脑电信号。此外,这些方法更依赖于上一隐藏层的状态来捕捉与之前元素的关系,而不是处理整体时间序列数据,而cnn和rnn都不足以辨别脑电全局数据的依赖关系。transformer因其使用注意力机制来连接全局数据关系而闻名。事实证明,注意力机制在eeg分类任务中非常有效,尤其是在存在噪声的情况下。它们能使模型集中在脑电信号最重要的方面,从而提高捕捉长期依赖性的能力。注意力机制也被证明能提高各种任务的性能,包括脑电分类。
技术实现思路
1、本专利技术的目的是提供一种基于eeg的左右手运动想象识别方法,解决了cnn和rnn都不足以辨别脑电全局数据的依赖关系的问题。
2、为实现上述目的,本专利技术提供了一种基于eeg的左右手运动想象识别方法,包括以下方法:
3、s1、swintransformer,利用swin变换器设计的简化模型,应用线性嵌入层,得到“阶段1”、“阶段2”、“阶段3”和“阶段4”,“阶段1”、“阶段2”、“阶段3”和“阶段4”的输出分辨率分别为将h/4×w/4、h/8×w/8、h/16×w/16和h/32×w/32;
4、s2、scconv,利用特征之间的空间和通道冗余来进行cnn压缩,减少冗余计算并促进代表性特征学习;scconv由两个单元组成:空间重构单元sru和信道重构单元cru,将空间重构单元sru和信道重构单元cru以顺序的方式结合起来,取代标准卷积;
5、s3、sc-swintransformerblocks,引入脑电图通道注意eca模块和scconv,利用通道之间的依赖性,使模型可以根据各种条件提取重要特征,sc-swin模块由ln层、eca层、w-msa、sw-msa、sru、cru和gelu层组成。
6、优选的,在步骤s1中,获取“阶段1”、“阶段2”、“阶段3”和“阶段4”的具体方法包括以下步骤:
7、s11、输入的rgb图像被分割成不重叠的分块patch,每个patch被视为一个“token”,其特征被设置为原始像素rgb值之间的串联,使用4×4的patch大小,每个patch的特征维数为4×4×3=48;
8、s12、在该原始值特征上应用线性嵌入层,将其投影到任意维度(表示为c),patch块的数量为h/4xw/4;
9、transformer块经过计算计入自注意力应用在这些分块向量上,以上patchtokens上应用了swintransformerblocks的bolck;
10、s13、transformerblocks与patchtokens数量一致,为h/4×w/4,与线性嵌入一起被称为“阶段1”;
11、s14、第一个patch合并层连接每个2×2相邻patch的特征,并在4c维连接的特征上应用线性层;将patchtokens的数量减少了2×2=4的倍数,分辨率的2×降采样的2,并且输出维度设置为2c;应用swintransformerblocks进行特征变换,分辨率保持在h/8×w/8;第一个patchmerging和特征转换块被称为“阶段2”;
12、s15、重复步骤s11-步骤s14两次,分别为“阶段3”和“阶段4”,输出分辨率分别为h/16×w/16和h/32×w/32。
13、优选的,在步骤s2中,空间重构单元sru根据权重分离冗余特征并对其进行重构,从而抑制空间维度上的冗余并增强特征的代表性;信道重构单元cru利用分割-变换-融合策略来减少信道维度的冗余以及计算成本和存储空间。
14、优选的,在步骤s3中,w-msa和sw-msa是多头自注意力模块,分别采用常规和移动窗口配置。
15、优选的,在步骤s3中,eca注意力机制模型由两部分组成:全局平均池化和线性变换;全局平均池化对每个通道的信息进行汇聚,判断该通道中的信息的关键性;线性变换将通道的信息进行缩放和平移,保留关键信息,抑制非关键信息。
16、优选的,在步骤本文档来自技高网...
【技术保护点】
1.一种基于EEG的左右手运动想象识别方法,其特征在于:包括以下方法:
2.根据权利要求1所述的一种基于EEG的左右手运动想象识别方法,其特征在于:在步骤S1中,获取“阶段1”、“阶段2”、“阶段3”和“阶段4”的具体方法包括以下步骤:
3.根据权利要求2所述的一种基于EEG的左右手运动想象识别方法,其特征在于:在步骤S2中,空间重构单元SRU根据权重分离冗余特征并对其进行重构,从而抑制空间维度上的冗余并增强特征的代表性;信道重构单元CRU利用分割-变换-融合策略来减少信道维度的冗余以及计算成本和存储空间。
4.根据权利要求3所述的一种基于EEG的左右手运动想象识别方法,其特征在于:在步骤S3中,W-MSA和SW-MSA是多头自注意力模块,分别采用常规和移动窗口配置。
5.根据权利要求4所述的一种基于EEG的左右手运动想象识别方法,其特征在于:在步骤S3中,ECA注意力机制模型由两部分组成:全局平均池化和线性变换;全局平均池化对每个通道的信息进行汇聚,判断该通道中的信息的关键性;线性变换将通道的信息进行缩放和平移,保留关键信息,抑制
6.根据权利要求5所述的一种基于EEG的左右手运动想象识别方法,其特征在于:在步骤S3中,SRU利用组归一化GN层中的缩放因子来评估不同特征图的信息含量,给定一个中间特征图X∈RN×C×H×W,其中N为批处理轴,C为通道轴,H和W为空间高度和宽度轴。我们首先通过减去均值μ除以标准差σ来标准化输入特征X,如下所示:
7.根据权利要求6所述的一种基于EEG的左右手运动想象识别方法,其特征在于:在步骤S3中,信道重构单元CRU利用了“分割-转换-融合”的策略。
8.根据权利要求7所述的一种基于EEG的左右手运动想象识别方法,其特征在于:分割:对于给定的空间细化特征Xω∈RC×H×W,首先将Xω的通道分成两部分,其中一部分具有αC个通道,另一部分具有(1-α)C个通道,其中0≤α≤1;随后,利用1×1卷积来压缩特征图的通道,将空间细化特征Xω分为上部分Xup和下部分Xlow。
9.根据权利要求8所述的一种基于EEG的左右手运动想象识别方法,其特征在于:转换:Xup被输入到上转换阶段,作为“丰富的特征提取器”,采用GWC和PWC代替标准k×k卷积提取高级代表性信息,Xlow被输入到底部转换阶段,生成具有浅层隐藏细节的特征图,作为丰富特征提取器的补充。
10.根据权利要求9所述的一种基于EEG的左右手运动想象识别方法,其特征在于:融合:在进行转换之后,通过以通道的方式合并上特征和下特征来获得通道精细化特征。
...【技术特征摘要】
1.一种基于eeg的左右手运动想象识别方法,其特征在于:包括以下方法:
2.根据权利要求1所述的一种基于eeg的左右手运动想象识别方法,其特征在于:在步骤s1中,获取“阶段1”、“阶段2”、“阶段3”和“阶段4”的具体方法包括以下步骤:
3.根据权利要求2所述的一种基于eeg的左右手运动想象识别方法,其特征在于:在步骤s2中,空间重构单元sru根据权重分离冗余特征并对其进行重构,从而抑制空间维度上的冗余并增强特征的代表性;信道重构单元cru利用分割-变换-融合策略来减少信道维度的冗余以及计算成本和存储空间。
4.根据权利要求3所述的一种基于eeg的左右手运动想象识别方法,其特征在于:在步骤s3中,w-msa和sw-msa是多头自注意力模块,分别采用常规和移动窗口配置。
5.根据权利要求4所述的一种基于eeg的左右手运动想象识别方法,其特征在于:在步骤s3中,eca注意力机制模型由两部分组成:全局平均池化和线性变换;全局平均池化对每个通道的信息进行汇聚,判断该通道中的信息的关键性;线性变换将通道的信息进行缩放和平移,保留关键信息,抑制非关键信息。
6.根据权利要求5所述的一种基于eeg的左右手运动想象识别方法,其特征在于:在步骤s3中,sru利用组归一化gn层中的缩放...
【专利技术属性】
技术研发人员:奚洋,石鹏,孟天宇,王文静,李奇,
申请(专利权)人:东北电力大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。